Nvidia на конференции GTC Berlin представила открытые модели Nvidia для корпоративного поиска и агентских RAG-систем: обновлённые Nemotron Retriever, Nemotron Parse и компактную Alpamayo 2 Edge для беспилотников. Для команд, которые хотят развернуть ИИ в своём контуре и не отправлять документы во внешний API, это не просто очередная линейка LLM, а набор более приземлённых компонентов: найти нужный фрагмент, корректно разобрать PDF и отсеять нерелевантные результаты.
Новые модели выпущены с открытыми весами, а Nvidia для многих своих разработок публикует также датасеты и рецепты обучения, сообщает The Register. Это отличает подход компании от типичной схемы open weights, при которой пользователю доступны веса модели, но происхождение данных и процесс обучения остаются чёрным ящиком. Для российских разработчиков и компаний с жёсткими требованиями к данным это означает больше пространства для аудита, дообучения и развёртывания в собственной инфраструктуре.
Главное обновление касается Nemotron Retriever — семейства моделей для эмбеддингов и реранжирования. В RAG-пайплайне именно они во многом определяют, получит ли языковая модель нужный кусок документации или уверенно сочинит ответ на основе похожего, но бесполезного текста. Сначала документы делят на фрагменты и превращают в числовые векторы, затем по запросу пользователя ищут близкие векторы, а реранжировщик уточняет порядок выдачи перед передачей контекста в LLM.
Модели построены на Nemotron 3.5, понимают текст и изображения на 34 языках и доступны в вариантах от 1 до 8 млрд параметров. Для новых ускорителей Blackwell Nvidia подготовила версии с квантизацией NVFP4. Компания утверждает, что восьмимиллиардные модели эмбеддингов и реранжирования в точности BF16 заняли первое место среди dense-моделей в бенчмарке ViDoRe V3.1. К таким заявлениям производителя стоит относиться спокойно: бенчмарк измеряет конкретный набор задач, а не гарантирует качество поиска в корпоративной базе с договорами, сканами и внутренним жаргоном.
Зато размер моделей делает сценарий вполне практичным. Nvidia указывает, что младшие и средние варианты можно запускать даже на DGX Spark, оставляя память под другие компоненты ИИ-стека. Для команды, строящей внутренний поиск по базе знаний, это важный сдвиг: генеративную модель не обязательно делать единственным центром архитектуры. Качество ответа часто быстрее растёт от хорошего парсинга, разбиения документов и реранжирования, чем от замены одной большой модели на другую, ещё больше.
PDF остаётся слабым местом RAG
Вместе с Retriever Nvidia обновила Nemotron Parse — модель, обученную извлекать информацию из PDF. Именно этот этап регулярно ломает красивые презентации о корпоративном ИИ: в архиве лежат не аккуратные HTML-страницы, а сканы, таблицы, многоуровневая вёрстка и диаграммы. Простое извлечение текста перемешивает колонки, теряет подписи к графикам и превращает табличные данные в набор случайных строк. Если на таком сырье строить эмбеддинги, последующий реранжировщик уже мало что спасёт.
По оценке Nvidia, однопараметрическая версия Nemotron Parse обрабатывает около 10,5 страницы в секунду на одном H100. Это не независимый тест и не обещание такой же скорости на каждом наборе документов, но цифра помогает оценить порядок производительности при массовой оцифровке корпоративных архивов. ИТ-директорам здесь стоит считать не только стоимость GPU: в проекте RAG заметная часть бюджета и времени уходит на подготовку источников, контроль качества извлечения и регулярное обновление индекса.
Отдельно Nvidia представила Alpamayo 2 Edge — более компактную версию своей модели для автономного вождения. Она рассчитана на обработку потокового видео и данных сенсоров в реальном времени на платформе DRIVE AGX Thor. Этот анонс скорее показывает широту стратегии: компания хочет поставлять не только ускорители, но и готовые открытые модели для конкретных отраслевых задач, от документооборота до робототехники.
За неделю до берлинского мероприятия Nvidia выпустила vision-language модель Nemotron 3.5 Super и анонсировала Nemotron 3.5 Bolt — MoE-модель на 74 млрд параметров, которой, по заявлению компании, достаточно 24 ГБ видеопамяти. Новые открытые модели Nvidia укладываются в ту же логику: привлечь организации, которым нужна суверенная ИИ-инфраструктура, но не хватает ресурсов и компетенций, чтобы обучать базовую модель с нуля. До сих пор многим из них оставалось выбирать между закрытым API и донастройкой открытых весов сторонних разработчиков.
У Nvidia есть и конкурентное преимущество, и очевидный коммерческий интерес. Публикуя веса, данные и рецепты обучения, компания упрощает создание собственных моделей на архитектуре Nemotron; одновременно она делает свои GPU и программную экосистему более естественным выбором для такого обучения и инференса. Похожую ставку на воспроизводимость делает Allen Institute в проекте OLMo, но у Nvidia за открытостью стоит вся цепочка — от модели до дата-центрового железа.
Для рынка важнее всего не место в очередном рейтинге, а вопрос, насколько быстро открытые компоненты смогут стать стандартным фундаментом для корпоративных агентов. Если компании научатся надёжно парсить свои документы, проверять происхождение обучающих данных и запускать поиск локально, RAG перестанет быть дорогой витриной с чат-окном и станет частью обычной корпоративной платформы. Подробности анонса доступны в материале .
